CN105590011B

CN105590011B - 一种基于脉搏回归模型的心电信号数据修正方法及***

Info

Publication number: CN105590011B
Application number: CN201410556338.5A
Authority: CN
Inventors: 戴鹏; 沈劲鹏
Original assignee: SHENZHEN MAIDIJIA TECHNOLOGY DEVELOPMENT CO LTD
Current assignee: SHENZHEN MAIDIJIA TECHNOLOGY DEVELOPMENT CO LTD
Priority date: 2014-10-20
Filing date: 2014-10-20
Publication date: 2019-04-30
Anticipated expiration: 2034-10-20
Also published as: CN105590011A

Abstract

本发明公开一种基于脉搏回归模型的心电信号数据修正方法及***，其中，方法包括步骤：使用人工神经网络构造一回归模型，并利用采集到的脉搏信号数据以及心电信号数据对回归模型进行训练得到训练后的回归模型；将脉搏信号数据作为训练后的回归模型的网络输入，将输出作为估计的心电信号数据，然后根据采集的心电信号数据与估计的心电信号数据的数值差异对心电信号数据进行修正。本发明运算速度远高于多数现有方法。

Description

一种基于脉搏回归模型的心电信号数据修正方法及***

技术领域

本发明涉及心电信号领域，尤其涉及一种基于脉搏回归模型的心电信号数据修正方法及***。

背景技术

现有的心电信号(Electrocardiography，ECG)数据分析算法，主要包含两个步骤：首先，检测并定位原始信号中的基本波形，提取其特征信息；而后，使用机器学习算法对此特征进行分类/回归分析，预测其目标状态。

如图1所示，一个正常心动周期中的心电信号，可视作由P波、QRS波群、T波及U波4种基本波形组成。其特征提取过程，便是通过测定输入信号的这4种基本波形，计算所包含的预设指标信息。现有算法一般使用峰值检测、小波分析等对基本波形进行测定，而提取的特征则包括所有4种基本波形的时长与形态(幅度及变化率等)、ST段时长、PR间期时长、QT间期时长、以及RR间期时长等。原始心电信号的采集精度越高，则其波形检测、特征提取的效果也越好，从而可更为有效地提升后续机器学习算法的预测性能。

心电信号由实际生理活动所产生，且由于测量时人体运动等原因，所获取的数据往往会包含一定的偏差与畸变，从而影响算法预测效果。在实际应用中，一般会要求被测者在连续时间内处于静卧状态，以降低采集数据的失真程度，一方面严重限制了心电信号的运用环境，另一方面部分固有偏差并不能以此被有效消除。因此亟须设计具针对性的信号修正算法，以从软件层面消除采集失真所带来的不良影响。

现有心电信号数据修正算法，主要针对某一特定指标进行校正。常用方法包括基于中值滤波的基线漂移修正、基于最小二乘的基线修正、以及基于心率的间期修正等。但这些现有的心电信号数据修正方法，都存在缺点：

1、现有算法仅能针对单一种类的失真进行修正，而实际采集的心电信号往往包含多种畸变与偏差。若要完全消除其干扰，则必须针对每种信号失真都构造相应的处理算法。这一方面增加了算法设计难度，另一方面也严重降低了数据处理的速度，不利于心电信号的实际运用。

2、现有算法仅能对较为简单的信号指标(如基线漂移、间期时长等)失真进行修正，而对波形形态等复杂特征则无能为力。此类特征对某些特定疾病状态的检测至关重要，若无法对其失真进行修正，将很可能导致此类状态被漏检或产生误判，从而造成不良的影响。

3、现有算法往往基于先验知识进行修正，其模型设计也较为简单。例如在对基线漂移进行处理时，现有方法一般使用人工预设的滤波频域范围，而可能与被测者的实际状况不相符。其使用的修正技术，通常也仅是简单的中值滤波而已，难以有效处理复杂多变的现实心电信号数据，从而影响了算法性能。

因此，现有技术还有待于改进和发展。

发明内容

鉴于上述现有技术的不足，本发明的目的在于提供基于Memetic算法的心电信号特征选择方法及***，旨在解决现有的特征提取和选择方法存在学习效果差、特征提取不完整、效率和准确率低的问题。

本发明的技术方案如下：

一种基于Memetic算法的心电信号特征选择方法，其中，包括步骤：

A、设输入的心电信号数据集为F＝{(F₁，t₁)，(F₂，t₂)...，(F_n，t_n)，...(F_N，t_N)}，其中F_n、t_n分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

B、初始化迭代计数器k＝0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量X_i，i＝1，2，...，|ps|，X_i的值取为[0，1]范围内的随机值：

X_i＝{x_d＝rand(0，1)|d∈D}，X_i∈ps；

C、计算ps中每个寻优个体X_i的适应度函数值f(X_i)；

D、根据各寻优个体X_i的适应度函数值f(X_i)，使用Memetic算法优化进化种群ps；

E、更新迭代计数器k＝k+1，判断k是否小于K，当是时则返回步骤C，否则执行步骤F；

F、优化迭代完成后，选择进化种群ps中的最优个体X_best为：

G、将X_best映射为最佳选择矢量W_best，并对心电信号数据集F进行特征选择，形成最优降维数据集F_best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

H、将W_best、F_best ^*及最终的学习准确率作为输出。

所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C具体包括：

C1、对于当前输入的寻优个体，将其映射为选择矢量W_i：

W_i＝{w_d＝step(x_d-δ)|d∈D，x_d∈X_i}

其中，step(·)为单位阶跃函数，δ为映射阈值；

C2、根据W_i对心电信号数据集F中的各信号矢量F_n进行特征选择从而形成降维后的信号矢量F_n ^*；

C3、将降维后的信号矢量F_n ^*及其对应样本标签t_n，构成特征选择数据集F^*＝{(F₁ ^*，t₁)，(F₂ ^*，t₂)，...，(F_N ^*，t_N)}；

C4、将所述特征选择数据集F^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体X_i的粗适应度函数值f_raw(X_i)；

C5、设置稀疏代价函数为X_i的1范数：

ρ_i＝||X_i||₁；

C6、计算X_i最终的适应度函数值f(X_i)为：

f(X_i)＝f_raw(X_i)+βρ_i

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

所述的基于Memetic算法的心电信号特征选择方法，其中，所述步骤C2中，特征选择具体包括：

若W_i中第d维数值w_d＝0，则删除F_n在此维度上的对应信号值f_d，若w_d＝1则将其保留，从而形成降维后的信号矢量F_n ^*：

所述的基于Memetic算法的心电信号特征选择方法，其中，所述δ设置为：δ＝0.5。

所述的基于Memetic算法的心电信号特征选择方法，其中，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。

一种基于Memetic算法的心电信号特征选择***，其中，包括：

设置模块，用于设输入的心电信号数据集为F＝{(F₁，t₁)，(F₂，t₂)...，(F_n，t_n)，...(F_N，t_N)}，其中F_n、t_n分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

迭代计数器初始化模块，用于初始化迭代计数器k＝0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量X_i，i＝1，2，...，|ps|，X_i的值取为[0，1]范围内的随机值：

X_i＝{x_d＝rand(0，1)|d∈D}，X_i∈ps；

适应度函数值计算模块，用于计算ps中每个寻优个体X_i的适应度函数值f(X_i)；

进化种群优化模块，用于根据各寻优个体X_i的适应度函数值f(X_i)，使用Memetic算法优化进化种群ps；

迭代计数器更新模块，用于更新迭代计数器k＝k+1，判断k是否小于K，当是时则返回适应度函数值计算模块，否则执行最优个体选择模块；

最优个体选择模块，用于优化迭代完成后，选择进化种群ps中的最优个体X_best为：

特征选择模块，用于将X_best映射为最佳选择矢量W_best，并对心电信号数据集F进行特征选择，形成最优降维数据集F_best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

输出模块，用于将W_best、F_best ^*及最终的学习准确率作为输出。

所述的基于Memetic算法的心电信号特征选择***，其中，所述适应度函数值计算模块具体包括：

映射单元，用于对于当前输入的寻优个体，将其映射为选择矢量W_i：

W_i＝{w_d＝step(x_d-δ)|d∈D，x_d∈X_i}

其中，step(·)为单位阶跃函数，δ为映射阈值；

特征选择单元，用于根据W_i对心电信号数据集F中的各信号矢量F_n进行特征选择从而形成降维后的信号矢量F_n ^*；

特征选择数据集构建单元，用于将降维后的信号矢量F_n ^*及其对应样本标签t_n，构成特征选择数据集F^*＝{(F₁ ^*，t₁)，(F₂ ^*，t₂)，...，(F_N ^*，t_N)}；

学习准确率计算单元，用于将所述特征选择数据集F^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体X_i的粗适应度函数值f_raw(X_i)；

1范数设置单元，用于设置稀疏代价函数为X_i的1范数：

ρ_i＝||X_i||₁；

适应度函数值计算单元，用于计算X_i最终的适应度函数值f(X_i)为：

f(X_i)＝f_raw(X_i)+βρ_i

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

所述的基于Memetic算法的心电信号特征选择***，其中，所述特征选择单元具体用于：

所述的基于Memetic算法的心电信号特征选择***，其中，所述δ设置为：δ＝0.5。

所述的基于Memetic算法的心电信号特征选择***，其中，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。

有益效果：本发明无需定位基本波形以提取特征，所以一方面避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，还可节省波形检测所需的计算量，计算复杂度更低。本发明也不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息，避免了人为设定提取指标导致的不合理性问题。本发明所采用的Memetic算法可比现有方法更有效地解决复杂的大规模优化问题，通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类/回归算法的预测性能。

附图说明

图1为现有技术中正常心动周期的心电信号波形图。

图2为本发明的基于脉搏回归模型的心电信号数据修正方法较佳实施例的流程示意图。

图3为图2中步骤S101的具体流程图。

图4为图2中步骤S102的具体流程图。

图5为本发明的方法中根据回归模型修正心电信号的流程示意图。

具体实施方式

本发明提供基于脉搏回归模型的心电信号数据修正方法及***，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

请参阅图2，图2为本发明一种基于脉搏回归模型的心电信号数据修正方法较佳实施例的流程图，如图所示，其包括步骤：

S101、使用人工神经网络构造一回归模型，并利用采集到的脉搏信号数据以及心电信号数据对回归模型进行训练得到训练后的回归模型；

S102、将脉搏信号数据作为训练后的回归模型的网络输入，将输出作为估计的心电信号数据，然后根据采集的心电信号数据与估计的心电信号数据的数值差异对心电信号数据进行修正。

S201、设采集获得的脉搏信号数据集为P＝{P₁，P₂，...，P_N}，心电信号数据集为E＝{E₁，E₂，...，E_N}，N为样本总数，信号维数为D；

S202、使用人工神经网络构造一回归模型；

S203、初始化样本计数器n＝1；

S204、将第n个脉搏信号样本P_n作为网络输入，对应心电信号样本E_n作为目标输出，用于训练回归模型；

S205、更新样本计数器n＝n+1，判断n是否大于N，若是则执行步骤S206，否则返回至步骤S204；

S206、将训练后的回归模型输出，用于后续心电信号的修正。

作为本发明更优选的实施例，对于心电信号的修正，结合图4和图5所示，即所述步骤S102具体包括：

S301、初始化周期计数器m＝0；

S302、获取当前周期的脉搏信号数据为P_m＝[p₁，p₂，...，p_D]，心电信号数据为E_m＝[e₁，e₂，...，e_D]；

S303、将P_m作为回归模型的网络输入，计算出其对应输出为E_m′＝[e₁′，e₂′，...，e_D′]，并作为估计的心电信号数据；

S304、初始化维度计数器d＝0；

S305、计算采集的心电信号数据E_m与估计的心电信号数据E_m′在第d维上的数值差异ε；

S306、判断ε是否大于预设阈值δ，若是则执行步骤S307，否则执行步骤S308；

S307、若m＝0，则修正e_d为：

若m＞0，且|e_d-e_d，m-1|＞|e_d′-e_d，m-1|，则修正e_d为：

其中，e_d，m-1为上一周期采集的心电信号数据E_m-1在第d维上的信号值，变量ε_r＝|e_d-e_d，m-1|，ε_e＝|e_d′-e_d，m-1|分别为当前采集的心电信号数据及估计的心电信号数据在第d维上数值，与上一周期采集的心电信号数据之间的差值；

S308、更新维度计数器d＝d+1，判断d是否大于D，若是则执行步骤S309，否则执行步骤S305；

S309、更新周期计数器m＝m+1，判断m是否大于M，若是则修正完成，否则返回步骤S302继续修正下一周期的心电信号数据。

所述的基于脉搏回归模型的心电信号数据修正方法，其中，所述人工神经网络为单隐层前馈网络或深度学习网络。

所述的基于脉搏回归模型的心电信号数据修正方法，其中，当采用单隐层前馈网络构造回归模型时，则所述步骤S204中，使用反向传播算法进行参数优化，当采用深度学习网络构造回归模型时，则所述步骤S204中，使用栈式自编码器构造网络模型。

基于上述方法，本发明还提供一种基于脉搏回归模型的心电信号数据修正***，其包括：

回归模型创建模块，用于使用人工神经网络构造一回归模型，并利用采集到的脉搏信号数据以及心电信号数据对回归模型进行训练得到训练后的回归模型；

心电信号数据修正模块，用于将脉搏信号数据作为训练后的回归模型的网络输入，将输出作为估计的心电信号数据，然后根据采集的心电信号数据与估计的心电信号数据的数值差异对心电信号数据进行修正。

作为本发明更优选的实施例，所述回归模型创建模块包括：

设置单元，用于设采集获得的脉搏信号数据集为P＝{P₁，P₂，...，P_N}，心电信号数据集为E＝{E₁，E₂，...，E_N}，N为样本总数，信号维数为D；

回归模型构造单元，用于使用人工神经网络构造一回归模型；

样本计数器初始化单元，用于初始化样本计数器n＝1；

回归模型训练单元，用于将第n个脉搏信号样本P_n作为网络输入，对应心电信号样本E_n作为目标输出，用于训练回归模型；

样本计数器更新单元，用于更新样本计数器n＝n+1，判断n是否大于N，若是则执行回归模型输出单元，否则返回至回归模型训练单元；

回归模型输出单元，用于将训练后的回归模型输出，用于后续心电信号的修正。

作为本发明更优选的实施例，所述心电信号数据修正模块包括：

周期计数器初始化单元，用于初始化周期计数器m＝0；

数据获取单元，用于获取当前周期的脉搏信号数据为P_m＝[p₁，p₂，...，p_D]，心电信号数据为E_m＝[e₁，e₂，...，e_D]；

输出单元，用于将P_m作为回归模型的网络输入，计算出其对应输出为E_m′＝[e₁′，e₂′，...，e_D′]，并作为估计的心电信号数据；

维度计数器初始化单元，用于初始化维度计数器d＝0；

数值差异计算单元，用于计算采集的心电信号数据E_m与估计的心电信号数据E_m′在第d维上的数值差异ε；

判断单元，用于判断ε是否大于预设阈值δ，若是则执行第一修正单元，否则执行第二修正单元；

第一修正单元，用于若m＝0，则修正e_d为：

第二修正单元，用于若m＞0，且|e_d-e_d，m-1|＞|e_d′-e_d，m-1|，则修正e_d为：

维度计数器更新单元，用于更新维度计数器d＝d+1，判断d是否大于D，若是则执行步骤周期计数器更新单元，否则执行数值差异计算单元；

周期计数器更新单元，用于更新周期计数器m＝m+1，判断m是否大于M，若是则修正完成，否则返回数据获取单元继续修正下一周期的心电信号数据。

进一步，所述人工神经网络为单隐层前馈网络或深度学习网络。

进一步，当采用单隐层前馈网络构造回归模型时，则所述回归模型训练单元中，使用反向传播算法进行参数优化，当采用深度学习网络构造回归模型时，则所述回归模型训练单元中，使用栈式自编码器构造网络模型。

本发明提供基于Memetic算法的心电信号特征选择方法及***，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

本发明一种基于Memetic算法(MemeticAlgorithm，MA)的心电信号特征选择方法，其包括步骤：

P101、设输入的心电信号数据集为F＝{(F₁，t₁)，(F₂，t₂)...，(F_n，t_n)，...(F_N，t_N)}，其中F_n、t_n分别为第n个信号矢量与样本标签，N为样本总数，信号维数为D，并设定优化总迭代次数为K次；

在数据处理开始前，设输入的心电信号数据集为F，以及设定优化总迭代次数为K次。

P102、初始化迭代计数器k＝0，构造用于Memetic算法的进化种群ps，其中每个寻优个体为D维矢量X_i，i＝1，2，...，|ps|，X_i的值取为[0，1]范围内的随机值：

X_i＝{x_d＝rand(0，1)|d∈D}，X_i∈ps；

P103、计算ps中每个寻优个体X_i的适应度函数值f(X_i)；

其中的适应度函数值f(X_i)(Fitness Value)，其是根据映射得到的选择矢量对各信号矢量进行特征选择，从而形成降维矢量，最后计算得到适应度函数值。

P104、根据各寻优个体X_i的适应度函数值f(X_i)，使用Memetic算法优化进化种群ps；

其中的Memetic算法优选为基于差分进化(Differential Evolution，DE)与DSCG搜索(Davies，Swann，and Campey with Gram-Schmidt Orthogonalization Search)的Memetic算法。

P105、更新迭代计数器k＝k+1，判断k是否小于K，当是时则返回步骤P103，否则执行步骤P106；

P106、优化迭代完成后，选择进化种群ps中的最优个体X_best为：

P107、将X_best映射为最佳选择矢量W_best，并对心电信号数据集F进行特征选择，形成最优降维数据集F_best ^*，同时将此最优降维数据集用于训练分类/回归算法获得最终的学习准确率；

P108、将W_best、F_best ^*及最终的学习准确率作为输出。

作为本发明更优选的实施例，所述的步骤P103具体包括：

P201、对于当前输入的寻优个体，将其映射为选择矢量W_i：

W_i＝{w_d＝step(x_d-δ)|d∈D，x_d∈X_i}

其中，step(·)为单位阶跃函数，δ为映射阈值，所述δ一般设置为δ＝0.5，那么任意w_d∈W_i仅能取得{0，1}两种数值；

P202、根据W_i对心电信号数据集F中的各信号矢量F_n进行特征选择从而形成降维后的信号矢量F_n ^*；

在进行特征选择时，若W_i中第d维数值w_d＝0，则删除F_n在此维度上的对应信号值f_d，否则(即w_d＝1)将F_n在此维度上的对应信号值f_d保留，从而形成降维矢量F_n ^*：

P203、将降维后的信号矢量F_n ^*及其对应样本标签t_n，构成特征选择数据集F^*＝{(F₁ ^*，t₁)，(F₂ ^*，t₂)，...，(F_N ^*，t_N)}；

此特征选择数据集将用于训练分类/回归算法，常用的机器学习方法包括SVM(支持向量机)以及ELM(极限学习机器)等。

P204、将所述特征选择数据集F^*用于训练分类/回归算法，获得学习准确率，并作为当前寻优个体X_i的粗适应度函数值f_raw(X_i)；

对于分类算法，f_raw(X_i)表示分类错误率(Classification Error Rate)；对于回归算法，则表示均方跟误差(Root Mean Square Error，RMSE)。

P205、设置稀疏代价函数为X_i的1范数：

ρ_i＝||X_i||₁；

设置这样的1范数是为了使特征选择尽可能稀疏化。

P206、计算X_i最终的适应度函数值f(X_i)为：

f(X_i)＝f_raw(X_i)+βρ_i；

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

基于上述方法，本发明还提供一种基于Memetic算法的心电信号特征选择***，其包括：

X_i＝{x_d＝rand(0，1)|d∈D}，X_i∈ps；

进一步，所述适应度函数值计算模块具体包括：

W_i＝{w_d＝step(x_d-δ)|d∈D，x_d∈X_i}

其中，step(·)为单位阶跃函数，δ为映射阈值；

1范数设置单元，用于设置稀疏代价函数为X_i的1范数：

ρ_i＝||X_i||₁；

f(X_i)＝f_raw(X_i)+βρ_i

其中β为拉格朗日乘数，用于控制特征选择的稀疏程度。

进一步，所述特征选择单元具体用于：

进一步，所述δ设置为：δ＝0.5。

进一步，所述Memetic算法为基于差分进化与DSCG搜索的Memetic算法。

关于上述模块单元的技术细节在前面的方法中已有详述，故不再赘述。

本发明的方法，使用基于封装的特征选择框架，并且引入了Memetic算法对心电信号进行优化提取，其具有如下有益效果：

1、本发明无需定位基本波形以提取特征：一方面，其避免了因波形检测失准，而造成后续机器学习算法性能下降，可更为有效地处理多变的实际心电信号；另一方面，可节省波形检测所需的计算量，计算复杂度更低。

2、本发明不依赖于预设的特征指标，对先验知识要求较低，且可自动抽取输入原始心电信号中的特征信息。避免了人为设定提取指标导致的不合理性问题。

3、Memetic算法可比现有方法更有效地解决复杂的大规模优化问题。通过将其用于选择矢量的优化，可获得更具代表性的特征子集，从而显著提升后续分类/回归算法的预测性能。此外，通过在适应值计算中加入稀疏代价函数，本方法可有效避免定域性问题，提升算法泛化能力。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。

鉴于上述现有技术的不足，本发明的目的在于提供一种基于脉搏回归模型的心电信号数据修正方法及***，旨在解决现有修正方法性能不佳、易产生漏检或误判的情况、数据处理速度低的问题。

Claims

1.一种基于脉搏回归模型的心电信号数据修正方法，其特征在于，包括步骤：

A、使用人工神经网络构造一回归模型，并利用采集到的脉搏信号数据以及心电信号数据对回归模型进行训练得到训练后的回归模型；

B、将脉搏信号数据作为训练后的回归模型的网络输入，将输出作为估计的心电信号数据，然后根据采集的心电信号数据与估计的心电信号数据的数值差异对心电信号数据进行修正；

所述步骤B具体包括：

B1、初始化周期计数器m＝0；

B2、获取当前周期的脉搏信号数据为P_m＝[p₁，p₂，...，p_D]，心电信号数据为E_m＝[e₁，e₂，...，e_D]；

B3、将P_m作为回归模型的网络输入，计算出其对应输出为E_m′＝[e₁′，e₂′，...，e_D′]，并作为估计的心电信号数据；

B4、初始化维度计数器d＝0；

B5、计算采集的心电信号数据E_m与估计的心电信号数据E_m′在第d维上的数值差异ε；

B6、判断ε是否大于预设阈值δ，若是则执行步骤B7，否则执行步骤B8；

B7、若m＝0，则修正e_d为：

若m＞0，且|e_d-e_d，m-1|＞|e_d′-e_d，m-1|，则修正e_d为：

B8、更新维度计数器d＝d+1，判断d是否大于信号维数D，若是则执行步骤B9，否则执行步骤B5；

B9、更新周期计数器m＝m+1，判断m是否大于M，若是则修正完成，否则返回步骤B2继续修正下一周期的心电信号数据。

2.根据权利要求1所述的基于脉搏回归模型的心电信号数据修正方法，其特征在于，所述步骤A具体包括：

A1、设采集获得的脉搏信号数据集为P＝{P₁，P₂，...，P_N}，心电信号数据集为E＝{E₁，E₂，...，E_N}，N为样本总数，信号维数为D；

A2、使用人工神经网络构造一回归模型；

A3、初始化样本计数器n＝1；

A4、将第n个脉搏信号样本P_n作为网络输入，对应心电信号样本E_n作为目标输出，用于训练回归模型；

A5、更新样本计数器n＝n+1，判断n是否大于N，若是则执行步骤A6，否则返回至步骤A4；

A6、将训练后的回归模型输出，用于后续心电信号的修正。

3.根据权利要求2所述的基于脉搏回归模型的心电信号数据修正方法，其特征在于，所述人工神经网络为单隐层前馈网络或深度学习网络。

4.根据权利要求2所述的基于脉搏回归模型的心电信号数据修正方法，其特征在于，当采用单隐层前馈网络构造回归模型时，则所述步骤A4中，使用反向传播算法进行参数优化，当采用深度学习网络构造回归模型时，则所述步骤A4中，使用栈式自编码器构造网络模型。

5.一种基于脉搏回归模型的心电信号数据修正***，其特征在于，包括：

心电信号数据修正模块，用于将脉搏信号数据作为训练后的回归模型的网络输入，将输出作为估计的心电信号数据，然后根据采集的心电信号数据与估计的心电信号数据的数值差异对心电信号数据进行修正；

所述心电信号数据修正模块包括：

周期计数器初始化单元，用于初始化周期计数器m＝0；

维度计数器初始化单元，用于初始化维度计数器d＝0；

第一修正单元，用于若m＝0，则修正e_d为：

维度计数器更新单元，用于更新维度计数器d＝d+1，判断d是否大于信号维数D，若是则执行步骤周期计数器更新单元，否则执行数值差异计算单元；

6.根据权利要求5所述的基于脉搏回归模型的心电信号数据修正***，其特征在于，所述回归模型创建模块包括：

样本计数器初始化单元，用于初始化样本计数器n＝1；

7.根据权利要求6所述的基于脉搏回归模型的心电信号数据修正***，其特征在于，所述人工神经网络为单隐层前馈网络或深度学习网络。

8.根据权利要求6所述的基于脉搏回归模型的心电信号数据修正***，其特征在于，当采用单隐层前馈网络构造回归模型时，则所述回归模型训练单元中，使用反向传播算法进行参数优化，当采用深度学习网络构造回归模型时，则所述回归模型训练单元中，使用栈式自编码器构造网络模型。